Flink调优法则

我就是我 2024-04-28 13:05 101阅读 0赞

## Flink调优法则 ##

### **一.** 性能定位 ###

#### 性能定位口诀: ####

一压 二查 三指标，延迟吞吐是关键
    
    时刻关注资源量，排查首先看GC

#### 口诀分析 ####

**1. 看背压**

通常最后一个背压高的subTask的下游就是job的明显瓶颈之一

**2. 看checkoint时长**

checkpoint的时长在一定程度上可以影响job的整体吞吐

**3. 查看关键指标**

通过延迟与吞吐指标可以对任务的性能进行精准的判断

**4. 资源利用率**

我们进行优化的最终目的是提供资源的利用率。

#### 常见的性能问题如下 ####

1. JSON序列化与反序列化
    
    常出现在source和sink任务上，在指标上没有体现，容易被忽略
    
    2. Map和set的Hash冲突
    
    由于HashMap，HashSet等随着负载因子增高，引起的插入和查询性能下降。
    
    3. 数据倾斜
    
    数据倾斜会导致其中一个或者多个subtask处理的数据量远大于其他节点，造成局部数据延迟。
    
    4. 和低速系统的交互
    
    在实时系统进行高速数据处理时，当涉及到与外部低俗的系统（如Mysql,Hbase等）进行数据交互时。
    
    5. 频繁的GC
    
    因内存或者内存比例分配不合理导致频繁GC, 甚至是TaskManager失联
    
    6. 大窗口
    
    窗口size大，数据量大，或者是滑动窗口size和step的比值比较大，如size=10minmatch， step=1。

### **二.** 经典调优场景 ###

#### 数据去重场景 ####

基于用户的浏览数据流统计近90天的活跃用户数，并每隔10分钟输出一次当前结果，用户构建实时数据报表。

在上面这个经典场景中，存在如下几个特点：

**1. 数据量大**

日活量在6000万+， 平均每个用户每天浏览次数为20次。

**2. 增长速度快**

每天新增用户1000万+，带来新增浏览量数亿。

**3. 更新换代快**

每年全量用户更新换代一次。

可以有如下方案：

**方案一**：通过Set，map等去重结构并结合flink的state来实现

![图片][ed0bc34c2a20fa82b9ba98d319066a80.png]

**方案二：**

精确去重：通过bitMap/raaring bitMap

![图片][654c8d91f9258eeca9157504259c1ff8.png]

**方案三：**

近似去重：布隆过滤器

![图片][60503772d37e1d8f0a160db98e7c4a05.png]

### 三. 内存调优 ###

#### 内存调优 ####

Flink的内存主要分为三部分，对于network buffer和manager pool都是由Flink管理的，manager pool也已经走向堆外内存，因此flink 的内存调优主要分为两部分：

a. 非堆内存 network buffer 和 manager poll的调优

b. flink 系统中的heap内存的调优

#### 非堆内存调优 ####

对于非堆内存调优比较简单，主要是调整:network buffer 和manager pool buffer 的比例
    
    1. Networkbuffer:
    
    taskmanager.network.memory.fraction (默认是0.1)
    
    taskmanager.network.memory.min
    
    ( 默认是64M)
    
    taskmanager.network.memory.max
    
    (默认是1G）
    
    原则：默认是0.1或是小于0.1，可以根据使用情况进行调整。
    
    2. ManagerBuffer:
    
    taskmanager.memory.off-heap:true
    
    ( 默认是false）
    
    taskmanager.memory.fraction
    
    (默认是0.7)
    
    原则：在流计算中如果用户建议调整成小于0.3

#### 堆内存调优 ####

Flink是运行在jvm上的，故flink应用的堆内存调优和传统jvm调优无差别。
    
    默认Flink使用的Parallel Scavenge的垃圾回收器可以改用G1 垃圾回收期。
    
    启动参数如下：
    
    env.java.opts=-server -XX:+UseG1GC -XX:MaxGCPauseMillis=300 --XX:+PrintGCDetails

收器可以改用G1 垃圾回收期。

启动参数如下：

env.java.opts=-server -XX:+UseG1GC -XX:MaxGCPauseMillis=300 --XX:+PrintGCDetails\`\`\`

[ed0bc34c2a20fa82b9ba98d319066a80.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/1ea25df7af1b4b178e8d1f492ff723c8.png
[654c8d91f9258eeca9157504259c1ff8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/5fa5e64d07cb4629b6332ae9fc55a65a.png
[60503772d37e1d8f0a160db98e7c4a05.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/a4dc4625ba4548e7a9817f66fa6cc6b2.png